Ajustement de modèles par RANSAC : faire confiance à de petits échantillons propres avant les données bruitées

L'ajustement classique de modèles est fragile lorsque les détecteurs de caractéristiques produisent de nombreux points aberrants. Un seul groupe erroné peut éloigner un ajustement par moindres carrés de la structure réellement présente.

Fischler et Bolles ont introduit le Random Sample Consensus en 1981 comme un nouveau paradigme pour ajuster des modèles à des données expérimentales contenant un pourcentage significatif d'erreurs grossières.

L'article présente la méthode pour l'analyse d'images et la cartographie automatisée, y compris un problème de localisation de points remarquables : proposer une solution à partir d'un ensemble minimal de points remarquables, puis n'accepter le modèle que si suffisamment d'autres points remarquables concordent.

Ajuster la minorité propre, puis compter le soutien

Il consacre le calcul à des hypothèses, et non à faire confiance à chaque mesure.

Les échantillons minimaux rendent chaque essai assez peu coûteux pour être répété de nombreuses fois.

Le consensus transforme une géométrie bruitée en un problème de vote que les valeurs aberrantes ont du mal à remporter.

Lorsque des données erronées peuvent dominer les moyennes, échantillonner petit et vérifier largement. Un processus robuste peut être construit en faisant de la concordance, et non de la taille des résidus, le premier filtre.

RANSAC est devenu un outil central de la vision par ordinateur pour des tâches telles que l'appariement d'images, la géométrie de caméra et la localisation. OpenAlex recense l'article de 1981 avec plus de 25 000 citations, ce qui reflète l'ampleur de la diffusion du schéma d'échantillonnage et de consensus.